在 HyperPod 叢集的主機節點上驗證 Prometheus 設定

成功設定與匯出工具套件一起安裝的 HyperPod 叢集後，請檢查是否已在 HyperPod 叢集的頭節點上正確設定 Prometheus。

1. 連接至叢集的主機節點。如需存取節點的說明，請參閱存取 SageMaker HyperPod 叢集節點。

2. 執行下列命令，以確認生命週期指令碼建立的 Prometheus 組態和服務檔案install_prometheus.sh正在控制器節點上執行。輸出應會顯示作用中狀態為 active (running)。

   $ sudo systemctl status prometheus
   • prometheus service - Prometheus Exporter
   Loaded: loaded (/etc/systemd/system/prometheus.service; enabled; preset:disabled)
   Active: active (running) since DAY YYYY-MM-DD HH:MM:SS UTC; Ss ago
   Main PID: 12345 (prometheus)
   Tasks: 7 (limit: 9281)
   Memory: 35M
   CPU: 234ms
   CGroup: /system.slice/prometheus.service
           -12345 /usr/bin/prometheus--config.file=/etc/prometheus/prometheus.yml

3. 驗證 Prometheus 組態檔案，如下所示。輸出必須類似於以下內容，其中三個匯出器已設定正確的運算節點 IP 地址。

   $ cat /etc/prometheus/prometheus.yml
   global:
     scrape_interval: 15s
     evaluation_interval: 15s
     scrape_timeout: 15s
   
   scrape_configs:
     - job_name: 'slurm_exporter'
       static_configs:
         - targets:
             - 'localhost:8080'
     - job_name: 'dcgm_exporter'
       static_configs:
         - targets:
             - '<ComputeNodeIP>:9400'
             - '<ComputeNodeIP>:9400'
     - job_name: 'efa_node_exporter'
       static_configs:
         - targets:
             - '<ComputeNodeIP>:9100'
             - '<ComputeNodeIP>:9100'
   
   remote_write:
     - url: <AMPReoteWriteURL>
       queue_config:
         max_samples_per_send: 1000
         max_shards: 200
         capacity: 2500
       sigv4:
         region: <Region>

4. 若要測試 Prometheus 是否正確匯出 Slurm、DCGM 和 EFA 指標，請在主機節點:9090的連接埠上執行下列 Prometheus curl命令。

   $ curl -s http://localhost:9090/metrics | grep -E 'slurm|dcgm|efa'

   透過從控制器節點的 Prometheus 遠端寫入組態匯出至 Amazon Managed Service for Prometheus Workspace 的指標，您可以繼續下一個主題，設定 Amazon Managed Grafana 儀表板以顯示指標。